脑是人体最复杂、最高效的信息处理系统。基于脑功能磁共振成像的研究已经发现在脑区之间存在低频信号的一致波动。这些空间上离散分柿但功能上相互作用的脑区被称作构成脑功能网络，它们协同合作、相互传递信息以达到使得人们完成复杂任务和认知功能的作用。脑功能网络的研究有助于我们更好地认识脑功能和诊断神经精神疾病，而脑功能网络的分析方法直接决定是否能够正确、有效地分析脑功能和诊断疾病。因此，脑功能网络的分析方法研究是一个重要的研究课题。　　 目前，基于功能核磁共振数据分析脑功能网络主要有两类方法:假设驱动的方法和数据驱动的方法。在假设驱动的方法中，基于感兴趣区的方法由于使用方便而应用广泛，但如何选择可靠的、可重复的、准确的且具有个体特异性的感兴趣区(ROIs)一直就是一个最基础且最棘手的问题。ROIs选取的难点来源于脑功能区之间的边界不确定性、个体差异的显著性以及功能网络模式受ROIs选择影响较大的不稳定性。在数据驱动的脑网络分析方法中，独立成分分析方法应用最为广泛，成果最为突出。基于ICA的方法的优点是自动分解得到脑功能网络，但是ICA的输出结果受成分个数影响大，此外，由于ICA输出成分的顺序不具有固定性，如何保持不同被试的成分的对应性的同时又保证个体被试不同成分的独立性是一个难点。在数据驱动的方法中，基于聚类提取脑功能网络的方法也越来越受到人们的关注，但这类方法往往对类别个数比较敏感。　　 本课题的研究目的是针对已有脑功能网络分析方法中存在的缺陷，为使得脑功能网络分析成为认识脑功能和医疗诊断中一种切实可行的技术，提出行之有效的脑功能网络分析方法。主要包括以下几个内容:　　 (1)组ICA方法已被广泛应用于多被试脑功能数据的分析，已有的组ICA方法强调了多被试独立成分之间的对应性，但并不能保证个体被试多个独立成分之间的独立性，这一问题直接影响了个体被试脑功能网络的精确性。为了保证得到的脑功能网络在被试间具有对应性，又使得得到的个体脑功能网络具有独立性和特异性，本文提出一种新的框架来计算个体被试的独立成分，我们称之为基于组信息的独立成分分析方法(GIG-ICA)。在这个框架下，组信息是由对组数据共同进行独立成分分析得到的成分，然后基于多目标函数优化算法，将组信息作为指导去计算个体被试的独立成分。提出的方法包括两个步骤，首先，针对多个被试的数据进行组水平上的独立成分分解得到组独立成分(GICs)，然后，这些GICs作为参考信号输入到提出的基于多目标函数的一单元带参考信号ICA(ICA-R)算法中，最终得到每个个体被试的独立成分。我们用模拟数据和真实的静息态fMRI数据来验证提出的算法(GIG-ICA)，并与经典的back-reconstruction方法(GIGA1和GICA3)和dualregression方法进行比较。结果表明该方法得到的结果具有更强的成分独立性和空间对应性，且在独立成分和时间序列的精确性方面，以及对成分个数的鲁棒性方面都要优于已有的方法。进一步，GIG-ICA方法适用于新数据的分析，对大规模数据的分析和个体被试的医疗诊断是一种行之有效的解决手段。此外，在该方法的框架下，还可以利用对其它模态成像数据进行脑网络分析或由荟萃分析得到的脑网络模板作为参考信号输入到我们提出的改进ICA-R算法中得到个体被试的脑功能网络，该方法有利于多模态数据的分析。值得指出的是，该方法不仅适用于BOLDfMRI数据的分析，也适用于正电子发射计算机断层扫描(PET)、磁共振动脉自旋标记示踪法(ASL)灌注成像、脑电及脑磁数据等功能数据的分析。　　 (2)基于感兴趣区(ROIs)的脑功能网络分析是一种重要的分析手段，作为脑功能网络节点的感兴趣区的选择是一个基础且棘手的问题。已有的感兴趣区选择方法包括基于结构信息、基于相关分析、基于区域增长及基于ICA的方法。针对已有感兴趣区选择方法的缺点，本文提出一种提取功能一致个体特异感兴趣区的方法，该方法基于聚类算法将多个感兴趣区的选取转化成基于图论的图像分割，可以得到个体特异的功能一致的感兴趣区。基于模拟数据的实验表明，功能一致的ROIs能被准确有效地得到。基于真实数据的实验证明，该方法可以提取个体特异功能一致的默认模式网络的感兴趣区，这些ROIs具有更强的功能连接和组内一致性。　　 (3)针对已有个体脑功能网络提取方法的缺陷，本文提出一种先验信息指导的个体脑功能网络提取方法，该方法有效利用先验知识，无需设定类别数，基于半监督学习算法以半交互的方式提取功能网络。基于模拟数据的实验结果表明该方法得到脑网络精度要高于基于感兴趣区进行相关分析的结果和基于ICA的结果，基于5个不同地方采集的106个正常被试的静息态fMRI数据的实验表明，该方法得到的默认模式网络在被试间具有高度一致性，尤其是在默认模式网络的一些重要区域。　　 (4)基于自旋标记(ASL)灌注脑成像是一种重要的脑功能成像手段，它具有明显的生理意义。虽然基于BOLDfMRI的脑功能网络研究已经非常广泛，但基于ASL脑成像的脑功能网络分析也开始引起脑功能研究者的关注，分析不同模态数据得到的脑功能网络的异同有利于更好地认识脑功能。在本文的研究中，使用伪连续动脉自旋标记脑灌注成像(pCASL)与单点背景噪声抑制的3维GRASE结合技术得到ASL数据，基于提出的GIG-ICA算法，对13个正常成年人的BOLD和ASL的数据进行三种策略的分析，结果表明这两种脑成像得到的脑功能网络某种程度上具有一致性，但两个模态也存在模态特异的一些功能网络。其中，由灌注成像得到的额叶相关网络在BOLD数据中是没有得到的，且这些额叶相关子网络和已有的额外分区相符，意味着灌注成像对额叶相关网络的分析具有更好的优势。